[發明專利]一種基于端到端神經網絡的織物疵點檢測方法

在審

• 申請號: 201811575580.1
• 申請日: 2018-12-22
• 公開（公告）號: CN109613006A
• 公開（公告）日: 2019-04-12
• 發明（設計）人: 劉洲峰;李春雷;丁淑敏;劉閃亮;董燕
• 申請（專利權）人: 中原工學院
• 主分類號: G01N21/88
• 分類號: G01N21/88;G06K9/62;G06K9/46;G06N3/04
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 張紹琳;栗改

1.一種基于端到端神經網絡的織物疵點檢測方法，其特征在于，其步驟如下：

步驟一：設定SSD神經網絡模型的初始參數，將織物疵點數據庫中的織物疵點圖像輸入設定的SSD神經網絡模型進行訓練，得到深度學習的織物檢測模型；

步驟二：將待檢測的織物圖像輸入到步驟一訓練好的織物檢測模型，對織物圖像進行特征提取，選取出多個可能是疵點目標的候選框；

步驟三：基于設定好的判別閾值對步驟二中的候選框進行判別得到最終的疵點目標，利用疵點目標所在候選框的交并比閾值選擇疵點目標框，存儲疵點的位置坐標信息并輸出疵點目標框。

2.根據權利要求1所述的基于端到端神經網絡的織物疵點檢測方法，其特征在于，所述SSD神經網絡模型是基于前饋卷積網絡VGG-16的網絡結構，VGG-16網絡結構生成固定大小的候選框集，并在候選框框中顯示對象類實例，接著采用非最大的抑制方法來產生最終的檢測結果，并顯示目標類、對應目標概率及目標框；SSD神經網絡模型的初始參數包括網絡層數、各層神經元的權值及偏置值；SSD神經網絡模型的最初學習率為0.001、最小學習率為0.00001、最小損失值為0.5，最大訓練迭代步數為20000。

3.根據權利要求1或2所述的基于端到端神經網絡的織物疵點檢測方法，其特征在于，所述SSD神經網絡模型訓練的方法為：1)將輸入的織物疵點圖像預處理分割成300pixel×300pixel的圖像塊后，再輸入SSD神經網絡；2)SSD神經網絡對輸入的圖像塊進行處理，輸出損失值Loss的計算公式為：

其中，L(x,c,l,g)是根據輸入圖像中標記的真值框與預測的目標位置的置信度損失和位置信息損失計算得到的損失值，N是真值框匹配的候選框個數；x為第i個默認框和第j個真值框的匹配概率值，x_ij＝{1,0}；c是判斷為目標的概率值；l為預測所得目標框的位置信息；g為真值框的位置信息，即x軸和y軸上最大值和最小值四個數據；α為權衡置信損失和位置損失的參數；L_loc為位置信息損失，根據預測框和真值框信息，采用的是Smooth L1 Loss；L_conf為置信度損失，其計算公式為：

這里

根據損失值修改各層神經元的權值；重復步驟1)-2)，直至損失值在設定閾值范圍內或達到最大訓練迭代步數，停止訓練。

4.根據權利要求3所述的基于端到端神經網絡的織物疵點檢測方法，其特征在于，所述SSD神經網絡模型選取的織物疵點圖像的第三層、第四層、第七層、第八層、第九層和第十層的特征圖，第三層、第四層、第七層、第八層、第九層和第十層的特征圖的大小逐漸減少；利用卷積特征的第三層特征圖對織物疵點進行預處理。

5.根據權利要求1所述的基于端到端神經網絡的織物疵點檢測方法，其特征在于，所述候選框的坐標與特征圖上原始圖像坐標的映射關系為：

其中，(c_x,c_y)是候選框在特征圖上的中心坐標；w_b,h_b分別是候選框的寬度和長度；w_f,h_f是對應特征圖的寬度和長度；w_i,h_i是原始輸入圖像的寬度和高度；(x_min,x_max,y_min,y_max)是第k層特征圖內大小為w_k,h_k、以為中心坐標的候選框映射到原始圖像的四個坐標信息，其中，|f_k|是第k個特征圖的尺寸大小，p,q∈{0,1,2,…,|f_k|-1}，并截取默認框的坐標使其在[0,1]內。